从 ReAct 到 Plan-and-Execute：让 Agent 先规划，再执行

在基础的 ReAct Agent 中，大模型通常采用“走一步、看一步”的方式工作：

思考下一步 → 调用工具 → 查看结果 → 再思考

这种方式很灵活，适合“查看目录里有哪些文件”之类的简单任务。但任务一复杂，例如“创建项目、编写代码、编译、运行并验证”，每一步都重新调用大模型，会增加等待时间和 Token 消耗。

Plan-and-Execute 提供了另一种思路：先生成完整计划，再按计划执行。

一、基本流程

假设用户要求：

创建一个 Java 项目，编写 Hello 类，然后编译运行。

Planner 可以先生成这样的计划：

task_1：创建 Java 项目
task_2：编写 Hello.java，依赖 task_1
task_3：编译项目，依赖 task_2
task_4：运行程序，依赖 task_3
task_5：验证输出，依赖 task_4

随后，Executor 根据依赖关系依次执行任务。

整个流程是：

用户目标
  ↓
LLM 生成计划
  ↓
程序检查计划
  ↓
按依赖调用工具
  ↓
失败时重试或重新规划
  ↓
汇总结果

如果任务只存在于聊天记录中，系统很难清楚地知道执行到了哪里。因此，可以为每一步建立一个 Task，并记录：

任务状态一般按照下面的方向变化：

PENDING → RUNNING → COMPLETED
                  → FAILED
                  → SKIPPED

这样，系统就能查询执行进度，也能在某一步失败后单独重试，不必把已经成功的步骤再执行一遍。

DAG 是“有向无环图”，可以理解为一张没有死循环的任务依赖图。

例如：

创建项目 → 写代码 → 编译 → 运行

“编译”必须等“写代码”完成，“运行”必须等“编译”完成。

DAG 还有一个重要作用：找出可以并行执行的任务。例如，下面四项互不依赖：

它们可以同时执行。最后的“汇总项目情况”任务依赖前四项，因此需要等它们全部完成。

不一定。

只有计划中包含完整的工具名称和参数，执行器才能直接工作。例如：

{
  "tool": "write_file",
  "arguments": {
    "path": "src/main/java/Hello.java",
    "content": "public class Hello { ... }"
  }
}

如果计划只有一句“编写 Hello 类”，执行器仍不知道文件路径和具体内容，可能还要调用 LLM 来补全。

因此，更准确的说法是：

Plan-and-Execute 可以减少重复的 LLM 决策，但不保证整个过程只调用一次 LLM。

确定性的读文件、写文件和运行命令，可以直接交给工具；需要分析、探索或处理意外的任务，仍可以使用 LLM。

实际项目中，混合模式通常更实用：

除了生成计划，还要处理以下问题：

这些能力决定了系统是一个简单演示，还是一个真正可靠的 Agent 执行器。

Plan-and-Execute 的重点不是“提前列一张待办清单”，而是把自然语言目标转成一组可检查、可调度、可重试的结构化任务。

可以把它理解为：

LLM 负责规划和处理不确定性
程序负责调度和执行确定性操作

ReAct 像边走边问路，Plan-and-Execute 像先规划路线再出发。复杂 Agent 最合适的做法，通常不是二选一，而是让它们各自处理最擅长的部分。